Алгоритм обнаружения искажённых дубликатов на цифровых изображениях с использованием бинарных градиентных контуров
Кузнецов А.В., Мясников В.В.

 

Самарский государственный аэрокосмический университет имени академика С. П. Королёва (национальный исследовательский университет) (СГАУ), Самара, Россия,
Институт систем обработки изображений РАН, Самара, Россия

Аннотация:
Встраивание дубликатов является одним из самых очевидных способов намеренного искажения цифровых изображений с целью сокрытия содержащейся в последних информации. Процесс встраивания заключается в копировании фрагмента изображения из одной области в другую область того же изображения. При этом копируемый фрагмент может быть подвержен различным преобразованиям: контрастированию, добавлению шума, масштабированию, повороту, а также различным их комбинациям. Существующие подходы к поиску искажённых областей основаны на вычислении векторов признаков в процессе разбиения изображения на пересекающиеся блоки и использовании этих векторов для поиска близких в евклидовом пространстве областей. В данной работе мы предлагаем использовать бинарные градиентные контура, которые являются устойчивыми к локальному контрастированию, аддитивному шуму и компрессии. В работе также представлены аргументация выбора этого способа для поиска искажённых дубликатов, а также результаты экспериментальных исследований различных вариантов реализации локальных бинарных шаблонов.

Ключевые слова :
обнаружение дубликатов, искажённый дубликат, локальный бинарный шаблон, бинарные градиентные контура, вектор-признаков, k-d-дерево.

Цитирование:
Кузнецов, А.В. Алгоритм обнаружения искажённых дубликатов на цифровых изображениях с использованием бинарных градиентных контуров / А.В. Куз­нецов, В.В. Мясников // Компьютерная оптика. – 2016. – Т. 40, № 2. – С. 284-293. – DOI: 10.18287/2412-6179-2016-40-2-284-293.

Литература:

  1. The Top 20 Valuable Facebook Statistics [Electronical Resource]. – URL: https://zephoria.com/top-15-valuable-facebook-statistics/ (Request Date 19.01.2015).
  2. Christlein, V. An Evaluation of Popular Copy-Move Forgery Detection Approaches / V. Christlein, C. Riess, J. Jordan, E. Angelopoulou // IEEE Transactions on information forensics and security. – 2012. – Vol. 7(6). – P. 1841-1854.
  3. Глумов, Н.И. Поиск дубликатов на цифровых изображениях / Н.И. Глумов, А.В. Кузнецов, В.В. Мясников // Компьютерная оптика. – 2013. – Т. 37, № 3. – С. 360-367.
  4. Кузнецов, А.В. Алгоритм обнаружения дубликатов на цифровых изображениях с использованием эффективных линейных локальных признаков / А.В. Кузнецов, В.В. Мясников // Компьютерная оптика. – 2013. – Т. 37, № 4. – С. 489-495.
  5. Kuznetsov, A.V. A fast plain copy-move detection algorithm based on structural pattern and 2D Rabin-Karp rolling hash / A.V. Kuznetsov, V.V. Myasnikov // Lecture Notes in Computer Science. –2014. – Vol. 8814. – P. 461-468.
  6. Mahdian, B. Detection of Copy-Move Forgery using a Method Based on Blur Moment Invariants / B. Mahdian, S. Saic // Forensic Science International. – 2007. – Vol. 171(2). – P. 180-189.
  7. Ryu, S. Detection of Copy-Rotate-Move Forgery using Zernike Moments / S. Ryu, M. Lee, H. Lee // Information Hiding Con-ference. – 2010. – P. 51-65.
  8. Popescu, A. Exposing digital forgeries by detecting duplicated image regions [Electronical Resource] / A. Popescu, H. Farid. – 2004. – URL: http://www.ists.dartmouth.edu/library/102.pdf (Request Date 20.01.2015).
  9. Kang, X. Identifying Tampered Regions Using Singular Value Decomposition in Digital Image Forensics / X. Kang, S. Wei // International Conference on Computer Science and Software Engineering. – 2008. – Vol. 3. – P. 926-930.
  10. Luo, W. Robust Detection of Region-Duplication Forgery in Digital Images / W. Luo, J. Huang, G. Qiu // International Conference on Pattern Recognition. – 2006. – Vol. 4. – P. 746-749.
  11. Bravo-Solorio, S. Exposing Duplicated Regions Affected by Reflection, Rotation and Scaling / S. Bravo-Solorio, A.K. Nandi // International Conference on Acoustics, Speech and Signal Processing. – 2011. – P. 1880-1883.
  12. Fridrich, J. Detection of copy-move forgery in digital images [Electronical Resource] / J. Fridrich, D. Soukal, J. Lukas. – 2003. – URL: http://www.ws.binghamton.edu/fridrich/Research/copymove.pdf (Request Date 20.01.2015).
  13. Bayram, S. An efficient and robust method for detecting copy-move forgery / S. Bayram, H. Sencar, N. Memon // IEEE International Conference on Acoustics, Speech, and Signal Processing. – 2009. – P. 1053-1056.
  14. Huang, H. Detection of Copy-Move Forgery in Digital Images Using SIFT Algorithm / H. Huang, W. Guo, Y. Zhang // Pacific-Asia Workshop on Computational Intelligence and Industrial Application. – 2008. – Vol. 2. – P. 272-276.
  15. Shivakumar, B.L. Detection of Region Duplication Forgery in Digital Images Using SURF / B.L. Shivakumar, S. Baboo // International Journal of Computer Science Issues. – 2011. – Vol. 8(4). – P. 199-205.
  16. Li, L. An Efficient Scheme for Detection Copy-move Forged Images by Local Binary Patterns / L. Li, S. Li, H. Zhu // Journal of Information Hiding and Multimedia Signal Processing. – 2013. – Vol. 4(1). – P. 46-56.
  17. Davarzani, R. Copy-move forgery detection using multiresolution local binary patterns / R. Davarzani, K. Yaghmaie, S. Mozaffari, M. Tapak // Forensic Science International. – 2013. – Vol. 231(1–3). – P. 61-72.
  18. Ren, J. Noise-Resistant Local Binary Pattern With an Embedded Error-Correction Mechanism / J. Ren, X. Jiang, J. Yuan // IEEE Transactions on Image Processing. – 2013. – Vol. 22(10). – P. 4049-4060.
  19. Fernández, A. Image classification with binary gradient contours / A. Fernández, M.X. Álvarez, F. Bianconi // Optics and Lasers in Engineering. – 2011. – Vol. 49, Issue. 9-10. – P. 1177-1184.
  20. Wang, L. Texture classification using texture spectrum / L. Wang, D.-C. He // Pattern Recognition. – 1990. – Vol. 23(8). – P. 905-910.
  21. Ojala, T. A comparative study of texture measures with classification based on featured distribution / T. Ojala, M. Pietikinen, D. Harwood // Pattern Recognition. – 1996. – Vol. 29(1). – P. 51-59.
  22. Ojala, T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns / T. Ojala, M. Pietikinen, T. Menp // IEEE Transactions on Pattern Analy-sis and Machine Intelligence. – 2002. – Vol. 24(7). – P. 971-987.
  23. Мясников, В.В. Локальное порядковое преобразование цифровых изображений / В.В. Мясников // Компьютерная оптика. – 2015. – Т. 39, № 3. – С. 397-405.
  24. Arasteh, S. Color and texture image segmentation using uniform local binary patterns / S. Arasteh, C.-C. Hung // Machine Graphics and Vision. – 2006. – Vol. 15(3-4). – P. 265-274.
  25. Guo, Z.H. A completed modeling of local binary pattern operator for texture classification / Z.H. Guo, D. Zhang // IEEE Transactions on Image Processing. – 2010. – Vol. 19(6). – P. 1657-1663.
  26. Zhao, Y. Completed robust local binary pattern for texture classification / Y. Zhao, W. Jia, R.X. Hu, H. Min // Neurocomputing. – 2013. – Vol. 106. – P. 68-76.
  27. Bentley, J.L. Multidimensional binary search trees used for associative searching / J.L. Bentley // Communications of the ACM. – 1975. – Vol. 18(9). – P. 509-517.
© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20